int3ract: Johnson-Neyman Technique and its Three-Way Extension for Frequentist and Bayesian Models in R

Resumo Técnico: Pacote int3ract para a Técnica de Johnson–Neyman

Título do Artigo: int3ract: Johnson–Neyman Technique and its Three-Way Extension for Frequentist and Bayesian Models in R
Autor: Robert W. Krause (University of Kentucky)

1. O Problema (Contexto e Motivação)

Na modelagem estatística aplicada, os efeitos de interação (quando a relação entre uma variável preditora $X$ e um desfecho $Y$ depende de uma ou mais variáveis moderadoras) são onipresentes. No entanto, a interpretação tradicional desses efeitos é frequentemente limitada e potencialmente enganosa.

Os pesquisadores costumam utilizar a abordagem de "spotlight" (ou simple-slope), que avalia o efeito em apenas alguns valores selecionados do moderador. Essa prática falha em capturar a continuidade do efeito e não identifica com precisão em quais intervalos do moderador o efeito é estatisticamente significativo ou não.

2. Metodologia

O artigo apresenta o pacote R int3ract, que implementa e estende a técnica clássica de Johnson–Neyman (JN).

• Técnica JN (Duas vias): Em vez de pontos isolados, a técnica identifica todo o intervalo (região) do moderador sobre o qual o efeito focal é estatisticamente distinguível de zero, utilizando o método delta para calcular a variância da inclinação simples.
• Extensão JNK (Três vias): O autor propõe a extensão Johnson–Neyman–Krause (JNK) para interações de três vias. Como a significância em uma interação de três vias ocorre em um espaço bidimensional (dois moderadores), o método utiliza o método delta multivariado para calcular a variância e gera mapas de calor (heatmaps) para representar essas regiões.
• Abordagem Frequentista vs. Bayesiana:
  • Frequentista (JNK_freq): Baseia-se em estimativas pontuais e matrizes de covariância para calcular intervalos de confiança e valores de $p$.
  • Bayesiana (JNK_bayes): Em vez de valores de $p$, utiliza distribuições posteriores condicionais. Para interações de duas vias, gera curvas de densidade; para três vias, gera mapas de calor baseados na média posterior e sobreposições de valores de $p$ Bayesianos.

3. Principais Contribuições

O pacote int3ract diferencia-se de ferramentas existentes (como interactions ou jtools) por três pilares:

1. Implementação de Interações de Três Vias: É o primeiro a fornecer uma implementação completa para interações de três vias, utilizando mapas de calor com padrões de hachura (crosshatch) para demarcar regiões não significativas.
2. Motor Frequentista Agnóstico ao Modelo: A função JNK_freq() é altamente versátil. Ela detecta automaticamente modelos de regressão linear (lm), modelos generalizados (glm), modelos de efeitos mistos (lme4) e modelos de redes (RSiena). Além disso, permite o uso direto de vetores de coeficientes e matrizes de covariância, tornando-o aplicável a qualquer modelo (sobrevivência, regressão beta, etc.).
3. Suporte Nativo a Modelos Bayesianos: A função JNK_bayes() permite a análise de modelos que produzem amostras da distribuição posterior (como MCMCpack ou multiSiena), adaptando a técnica para o paradigma probabilístico.

4. Resultados e Visualização

O pacote foca na riqueza visual para facilitar a interpretação:

• Para interações de duas vias: Produz gráficos de "fita" (ribbon plots) onde cores distintas (ex: verde para significativo, chocolate para não significativo) demarcam as regiões de significância ao longo do moderador.
• Para interações de três vias: Produz mapas de calor com gradientes de cores para a magnitude do efeito e sobreposições de hachuras para identificar visualmente as zonas de não significância no plano dos dois moderadores.
• Modelos de Efeitos Mistos: Permite a geração de gráficos de JN por grupo (usando BLUPs), essencial para analisar a heterogeneidade em dados multinível.

5. Significância e Impacto

A importância deste trabalho reside na promoção de uma ciência mais transparente e rigorosa. Ao substituir a análise de "inclinações simples" por uma análise de regiões contínuas, o int3ract evita conclusões precipitadas baseadas em valores arbitrários de moderadores. O pacote incentiva os pesquisadores a reportarem não apenas os limites de significância, mas o comportamento completo do efeito, alinhando-se às chamadas contemporâneas por maior integridade na comunicação de resultados estatísticos.